核心概念
不確実な学習を通じて、学習者は特定の一般化戦略にコミットせずに、オペレーターが展開時に好みの一般化戦略を選択できるようにする。
摘要
本論文は、ドメイン一般化の文脈で不確実な学習を提案している。
- 従来の精確な学習では、学習者が特定の一般化戦略(平均リスクの最小化や最悪ケースリスクの最小化など)にコミットしていた。
- しかし、学習者とオペレーターの間に制度的な分離がある場合、学習者が適切な一般化戦略を見極めるのは困難である。
- 提案する不確実な学習では、学習者は特定の一般化戦略にコミットせず、オペレーターが展開時に好みの一般化戦略を選択できるようにする。
- 具体的には、学習者が拡張仮説を学習し、オペレーターが展開時に好みのリスク集約関数を選択できるようにする。
- 理論的・実験的な結果から、提案手法の有効性が示されている。
統計資料
訓練データとテストデータの分布が異なる場合、従来の手法では大きな一般化誤差が生じる可能性がある。
提案手法では、学習者が特定の一般化戦略にコミットせずに、オペレーターが展開時に好みの戦略を選択できるため、一般化誤差を低減できる。
引述
"ドメイン一般化は、経験的データから学習するだけでなく、様々な一般化の概念の中から選択することも必要とする課題である。"
"学習者とモデルオペレーターの制度的な分離により、学習者は展開時の不確実性のために特定の一般化戦略に恣意的にコミットせざるを得ない。"